MobileNetV3-SSD MobileNetV3-SSD implementation in PyTorch 关于第二个版本请移步 有测试结果 希望尝试新技术请到这里 一个轻量级的目标检测包括多种模型 目的 Object Detection 应用于目标检测 环境 操作系统: Ubuntu18.04 Python: 3.6 PyTorch: 1.1.0 使用MobileNetV3-SSD实现目标检测 Support Export ONNX 代码参考（严重参考以下代码） 一 SSD部分 二 MobileNetV3 部分 4 MobileNetV1, MobileNetV2, VGG based SSD/SSD-lite implementation in Pytorch 1.0 / Pytorch 0.4. Out-of-box support for retraining on O

MobileNetV3-SSD-Compact-Version MobileNetV3 SSD的简洁版本 希望尝试新技术请到这里 一个轻量级的目标检测包括多种模型 环境 Ubuntu18.04 版本 PyTorch 1.4 如果您想从头开始需要使用 mbv3_large.old.pth.tar 是backbone用来参数初始化的模型 有可能会历经坎坷 简便方式就是使用预训练模型 如果您要直接测试，模型改名为checkpoint_ssd300.pth.tar 模型下载地址 链接： 提取码：gwwv 模型测试结果 mAP 0.679 (未在COCO数据集做预训练版本) 使用步骤 一 下载VOC数据集之后,将VOCtrainval_06-Nov-2007和VOCtest_06-Nov-2007合并在一起 数据集下载 可以看这里 二 先打开create_data_lists.py文件 改成自己数

基于mobilenet-ssd车牌检测,全新模型仅3.4MB.

行人侦查跟踪 使用Mobilenet SSD进行行人检测和跟踪 行人检测 使用Caffe Mobilenet SSD进行了培训，详细信息（ ） 然后将模型转移到 （针对移动平台进行了优化的深度学习框架） 追踪 基于光流和卡尔曼滤波器的多对象跟踪器，更多详细信息： : 用法 编译ncnn 转到3rd_party / ncnn （与Raspberry Pi等ARM平台一起使用时，修改ncnn / CMakeLists.txt：添加add_definitions(-mfpu=neon) ，修改ncnn / src / CMakeLists.txt：将40to46行修改为if(TRUE) ） mkdir build cd build cmake .. make 其余全部编译在根目录中mkdir build cd build cmake .. make 跑步去建立/ ./main

mobilenet_ssd_pedestrian_detection 基于Mobilenet SSD的行人检测。 培训信息 数据集：加州理工学院步行者数据集 Caffe Mobilenet SSD： :

Mobilenet-SSD的Caffe系列实现-附件资源

MobileNet-SSD-RealSense RaspberryPi3（Raspbian Stretch）或Ubuntu16.04 / UbuntuMate +神经计算棒（NCS / NCS2）+ RealSense D435（或USB Camera或PiCamera）+ MobileNet-SSD（MobileNetSSD） 【公告】2018年12月19日，OpenVINO支持RaspberryPi + NCS2！ 【2018年12月31日】完成与NCS2的USB Camera + MultiStick + MultiProcess mode对应。 【2019年1月4日】演出四次。

[英语] MobileNet-SSD 比YoloV2超快的MobileNet-SSD（MobileNetSSD）+神经计算棒（NCS）+ RaspberryPi的爆炸速度。 高精度的多运动物体检测。 视频播放和对象检测是异步执行的。 为了使用多棒实现高速渲染，它是在多线程/ OpenGL中实现的。 【警告】该存储库不支持NCS2。 【日文】 【USB摄像头+多处理高性能版】 下方，使用多个摇杆时，其性能是此存储库程序的三倍以上。 我建议您参考以下存储库。 变更记录 [2018年7月19日]对应于NCSDK v2.05.00.02 / OpenCV 3.4.2 / FPS视图[2018年

ssd_mobilenet_v1_coco_2017_11_17 tensorflow预训练模型

mobilenet ssd 车辆检测 caffe